GeoAI: la fusió entre la Intel·ligència Artificial i el GIS

Tot i que últimament estem sentint a parlar molt de Intel·ligència Artificial, sobretot amb l’aparició de ChatGPT i el boom que ha suposat en les grans tecnològiques, aquest concepte no és nou. Es remunta la dècada de 1950, quan un grup d’investigadors va començar a desenvolupar programes informàtics que poguessin executar tasques imitant el comportament humà.

Darrerament, la Intel·ligència Artificial (IA) ha adquirit un gran protagonisme en moltes àrees de la tecnologia i els Sistemes d’Informació Geogràfica no en son una excepció. La fusió d’aquests dos camps es coneix com GeoAI (Geospatial Artificial Intelligence), que consisteix en una combinació de dades geoespacials amb algorismes d’aprenentatge automàtic que permeten crear enormes oportunitats que fins al moment no havien estat possibles.

En aquest sentit, s’està avançant molt en aquesta direcció i el seu ús ja està molt estès amb disciplines del tipus Machine learnig (ML) i Deep Learning:

• Machine learning (aprenentatge automàtic): Procés que s’utilitza per entrenar models de dades històrics i posteriorment aplicar-los a noves dades per a capacitar les màquines a aprendre sense necessitat de ser programades.
• Deep learning (aprenentatge profund): Es tracta d’una branca dins del Machine Learning que utilitza un sistema de xarxes neuronals artificials generades amb l’objectiu d’actuar forma similar a la del cervell. És especialment eficaç en el processament d’imatges de satèl·lit per detectar determinats elements com edificis o carreteres, i també per a l'optimització de rutes entre dos punts amb aprenentatge reforçat.

Conceptes bàsics IA.Machine-Learning-en-ArcGIS

Existeixen alguns models preentrenats de Deep Learning a la plataforma ArcGIS que eliminen la necessitat de disposar de grans volums de dades d’entrenament, recursos de càlculs massius i amplis coneixements d’IA. Estan disponibles al Living Atlas , tal i com podem veure en la següent imatge

​

Models preentrenats disponibles a ArcGIS Living Atlas. Font: https://resource.esriuk.com/blog/machine-learning-made-easy/

Aquestes eines de Machine Learning es podrien classificar en dues categories:

• 1. Aprenentatge supervisat: En aquesta mena de processament, les dades d'entrenament estan etiquetades (hi ha una classificació prèvia).
  • Predicció: Utilitza dades històriques per calcular valors futurs com ara la predicció del clima o la d’un rendiment d’una collita en el sector agrícola.
  • Classificació: Implica assignar una categoria o etiqueta a un conjunt de dades, com ara classificar imatges de satèl·lit per tipus de sòl o vegetació.
• 2. Aprenentatge no supervisat: En aquest altre tipus d'aprenentatge, les dades d'entrenament no estan etiquetades i la part de classificació es realitza a partir de la distribució de les observacions.
  • Clustering: Agrupa les dades en diferents conjunts segons les seves característiques, com per exemple segons les variables socioeconòmiques.

Comparació entre els dos tipus d'aprenentatges. Al supervisat les dades estan classificades prèviament. Western Digital

Aplicacions pràctiques de la IA en l’àmbit geoespacial

En aquest sector la Intel·ligència artifical té aplicacions en moltes àrees, com per exemple:

- Models de predicció de la meteorologia i les partícules de l’aire: La IA es fa servir per crear models de predicció més precisos i per proporcionar informació més detallada sobre els patrons climàtics i meteorològics.

- Anàlisi de dades geoespacials: permet analitzar de forma automàtica grans volums de dades espacials (Big Data), com les dades provinents de sensors remots. El processament d’aquestes dades d’una altra manera seria difícil i lent. La IA permet analitzar-los de forma fàcil i eficient per detectar patrons i tendències en la informació

- Analisi d’imatges aèries per detectar canvis en els territoris: Aquesta funció es pot utilitzar per detectar canvis urbanístics mitjançant l’anàlisi d’imatges satèl·lit, acció que d’una altra manera seria complicat portar a terme. Permet identificar automàticament objectes i característiques del terreny, com per exemple edificis, piscines, panells fotovoltaics... Aquesta funció permet la millora de l’eficiència en termes de planificació i desenvolupament urbà i, alhora, lluitar contra el frau detectant omissions o infraccions urbanístiques

​  

En aquestes imatges podem veure models utilitzats per la detecció de piscines i edificacions. Living Atlas

- Mobilitat urbana: Permet analitzar patrons de trànsit a través d’aplicacions que proporcionen informació en temps real. Amb la recopilació i l’anàlisi d’aquestes dades es poden prendre millors decisions en l’ optimització de rutes i horaris del transport públic, millorant-ne així l’eficiència, i reduint també el temps de viatge, el cost i el carburant consumit.

- Anàlisi de riscos i desastres naturals: La IA pot ajudar a predir i analitzar els desastres naturals, com inundacions i terratrèmols, i proporcionar informació sobre com els sistemes d'infraestructura i els edificis poden ser més resilients a aquests fenòmens.

I com aplica Google Maps la Intel·ligencia Artifical?

Google Maps ha desenvolupat una nova funcionalitat que permet als usuaris explorar llocs amb una sensació de presència física, utilitzant representacions en 3D. A través de l'ús de la intel·ligència artificial i la visió per computadora, es combinen milers de milions d’imatges de Street View i satèl·lit per crear un model digital realistic del món. En aquest entorn, es superposa informació com dades meteorològiques, de trànsit i aforament del lloc. Per exemple, si vol visitar un museu, l'usuari pot volar virtualment per sobre de l'edifici, veure les entrades i conèixer com serà l'ambient en diferents moments del dia i el temps. També es pot explorar els voltants a peu per cercar restaurants propers i accedir als interiors per veure l'ambient abans de fer una reserva.

Per crear aquestes escenes realistes, Google Maps utilitza una tècnica avançada d'IA coneguda com a Neural Radiance Field (NerF), que transforma imatges ordinàries en representacions 3D. Actualment, aquesta funcionalitat està disponible per a ciutats com Londres, Los Angeles, Nova York, San Francisco i Tokio, i es preveu que més ciutats s'hi afegiran en els pròxims mesos.

Això s'uneix a altres eines de millora del llenguatge i de cerca que s'han anat incorporant a partir de la gran inversió que Google ha realitzat en IA.

La combinació de IA i GIS ofereix un gran potencial en diferents sectors. Serà interessant veure com aquesta tecnologia evoluciona en el futur i com es podrà utilitzar per afrontar nous reptes.

Nexus Geographics estem aplicant aquesta tecnología en diversos àmbits. En un pròxim article, veurem com la plataforma RECITTY està aplicant de manera intensa algoritmes Machine Learning per modelar i fer prediccions d'elements clau de la vida a les ciutats, com el nivell de contaminació, el consum d'energia dels edificios o la optimizació de la gestió de residus.

A Nexus Geographics som experts en desenvolupar tecnologia geogràfica i location intelligence adaptada a qualsevol sector. Contacta amb nosaltres a través de [email protected].